Wenn Engineering-Teams KI einführen wollen, stoßen sie fast immer auf dasselbe erste Problem.
Nicht fehlende Technologie.
Nicht fehlendes Budget.
Nicht fehlende Motivation.
Ihre Daten sind schlicht nicht KI-fähig.
Hier ist, was das konkret bedeutet — und was meistens fehlt:
Was KI braucht:
→ Einheitliches Datenschema (eine Prüfstandsdatei sieht wie die andere aus)
→ Strukturierte Metadaten (Prüfling-ID, Bedingungen, Datum — maschinenlesbar)
→ Ein zentrales Repository (Daten sind auffindbar, nicht auf 12 Netzlaufwerken verteilt)
Was meistens da ist:
→ .csv, .tdms, .dat, .mat — je nach Messsystem, ohne Standard
→ Kontext steckt im Dateinamen oder in einer Word-Datei daneben
→ Daten verteilt auf lokalen Workstations und alten Projektordnern
Wer diesen Abstand kennt, versteht, warum Ingenieure externe KI-Tools nutzen:
Nicht weil sie unvorsichtig sind.
Sondern weil ihre eigenen Daten für KI schlicht nicht zugänglich sind.
Das ist das strukturelle Problem hinter der Schatten-KI-Nutzung.
Und es ist das Problem, das ich in meinen Audits als erstes diagnostiziere.
Der Abstand zwischen diesen beiden Zuständen ist nicht so groß, wie er wirkt. Aber er schließt sich nicht von selbst.
Wie sieht das bei euch aus — habt ihr diesen Schritt schon angegangen?